Bundle Adjustment vs Pose-graph Optimization

最新推荐文章于 2024-05-17 20:10:18 发布
最新推荐文章于 2024-05-17 20:10:18 发布
阅读量189 收藏 1
点赞数 1
原文链接：http://www.cnblogs.com/reinforce/p/5356374.html
版权

摘自 "Combining Feature-based and Direct Methods for Semi-dense Real-time Visual SLAM from Stereo Cameras  Nicola Krombach (Master's thesis) 2016 Universität Bonn"第16, 17页。 PDF 　　　　　　　

　　　　　　　　　　

 

BA通过最小化重投影误差来优化相机位姿和landmarks的坐标，通常用在局部（即相邻的几帧）；

而位姿图优化则通过最小化位姿图中的边（由odometry或loop closure建立）表示的约束来优化位姿，一般在检测到回环时才进行。

两者都有助于得到全局一致的轨迹。　

转载于:https://www.cnblogs.com/reinforce/p/5356374.html

weixin_30617561
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
科普SLAM之位姿图优化建图
weixin_39504250的博客
06-20 4277
第二章 第十三讲 位姿图优化建图 本讲重点 位姿图优化建图的基本定义（什么是PGO ？） 位姿图优化建图的研究意义（为什么需要PGO？） 位姿图优化建图的基本原理（PGO如何产生的？） 位姿图优化建图的算法流程（PGO 如何工作的？） 位姿图优化建图的性能改善（如何改善PGO？） 1. 位姿图优化建图的基本定义（什么是PGO ？） ​ 位姿图优化建图（Pose Graph Optimization）是基于最小二乘非线性优化的建图方法；它使用节点-边(Vertex-Edge)位姿图的方式来对于机器人的同
论文精读 | slam中姿态估计的图优化方法比较
soaring_casia的专栏
11-23 3336
一、 摘要 对于位置环境中的自主导航问题，同步定位与建图(Simultaneous localization and mapping, SLAM)是一个非常重要的工具框架。根据SLAM字面含义可以得知，获取正确的环境表征和估计机器人正确的运动轨迹这两点在SLAM问题中至关重要。在解决优化估计问题上表现SOTA方法的主流思路是基于图优化的最小二乘，比较流行的算法框架有g2o、Ceres、GTSAM、SE-Sync等。作者这篇论文描述了这些方法并进行了对比测试。 二、 总体介绍 在SLAM领域刚刚起步的时
slam中姿态估计的图优化方法比较
最新发布
adas_l5的博客
05-17 935
以典型基于优化的SLAM问题来说：Pose-SLAM，它避免了建立一个明确的环境地图，目标是在给定闭环和里程约束条件下估计机器人的轨迹(相对姿态)。**Pose-SLAM的缺点：**对外点(outliers，亲切一点就是错的离谱的结果)不具有鲁棒性，另外，优化估计Rotation的过程是一个非凸优化问题，容易造成导致局部最优问题，且不保证全局最优问题。g2o是一个开源的通用框架，用于优化可以定义为图形的非线性函数，它的优点是易于扩展，高效，适用于广泛的问题。**边(edge)：**不同节点之间的空间约束。
【论文笔记1】：Pose Graph Optimization for Unsupervised Monocular Visual Odometry
weixin_43518352的博客
10-15 1447
论文作者：Yang Li1, Yoshitaka Ushiku1 and Tatsuya Harada1,2 论文来源：ICRA 2019 关键词：单目视觉里程计、滑窗位姿图、KITTI里程表数据集 摘要 基于无监督学习的单目视觉里程计（VO），最近因其潜在的无标签学习能力以及对相机参数和环境变化的鲁棒性而备受关注。但是，由于缺少漂移校正技术，在大规模里程计估计方面的精确度仍远不及基于几何的方法。...
SLAM8-后端的其他方法，BA与图优化，Pose Graph优化的理论与公式详解、因子图优化
Summer_star_summer的博客
07-17 2448
1、BA方法 Bundle Adjustment翻译过来是“光束调整”，意思是每个特征反射的光束，通过调整它们的空间位置和相机姿态，使它们都汇聚到相机光心，这个过程叫BA。 假定世界坐标系下的点p,通过K,T之后转换为了像素坐标，把这个过程用方程描述为z=h(x,y)其中x是位姿T，y是路标点p，误差函数写为： 通过同时把T,P作为优化量来进行调整，对误差函数进行求解，就是所谓的BA 2、BA的求解 由于误差函数不是线性的，所以我们想到用增量△x的方法，逐步迭代。当给误差函数一个增量△x时，函数变为：
ceres学习笔记5——机器人2D/3D位姿图优化pose_graph_2d/3d
qq_42731705的博客
10-12 2060
1. 2D位姿图优化pose_graph_2d.cc 1.1.问题描述 注意： 上面的图片中官网教程写的没有问题！因为官网的教程写的确实是非常细心！注意公式中是Ra^T，Ra确实是节点坐标系到世界坐标系的旋转矩阵，但是由于pb-pa是世界坐标系下面的位置表示，而hat_pab是在A的坐标系下表示的b相对于a的位姿，所以最后做减法的时候需要全部转换到a的坐标系下表示。由于旋转矩阵是正交矩阵，即 R的逆等于R的转置。所以上面的公式中使用的是R的转置，也就是R的逆，也就是世界坐标系到机器人坐标系之间的变换关系
g2opy:SLAM图优化框架g2o的Python绑定
04-29
g2opy 这是图形优化C ++框架的python绑定。 g2o是用于优化基于图的非线性误差函数的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了...
SLAM-基于序列的ORB-SLAM-可加速闭环线程-loop-closure-thread-优质项目实战.zip
03-17
8. **数据结构与优化算法**：项目可能涉及图优化技术，如G2O（Graph Optimization）或Ceres Solver，用于地图点和关键帧的优化。 9. **实时性能与鲁棒性**：项目实战可能涵盖了如何在保证实时性的同时，提高系统对...
openvslam-master.zip
08-29
Open-VSLAM使用g2o（General Graph Optimization）库进行非线性优化。 8. **学习资源** 对于初学者，可以通过阅读Open-VSLAM源码，了解每个模块的实现细节，同时结合相关文献和教程加深理解。此外，参与开源社区的...
LiDar-SLAM
03-29
常用的优化方法有BA（Bundle Adjustment）和EKF（Extended Kalman Filter）等。 ### 三、C++在LiDAR-SLAM中的应用 C++是一种强大的编程语言，广泛应用于机器人和计算机视觉领域。在LiDAR-SLAM中，C++可以提供高效...
SLAM-使用C++基于激光点云实现的SLAM算法端到端系统设计-优质项目实战.zip
03-14
这通常涉及图优化框架，如G2O（General Graph Optimization）或iSAM（incremental Smoothing and Mapping），它们能够处理复杂的非线性优化问题。 6. 端到端设计：项目实战中，SLAM系统将涵盖从数据采集、预处理、...
pose-graph-optimization:使用Ceres Solver进行2D姿态图优化
05-13
姿势图优化 使用Ceres Solver进行2D姿态图优化的示例代码。 依存关系 本征3.3或更高版本 Ceres Solver 1.12.0或更高版本 Gflags 2.2.0或更高版本 带有matplotlib的Python 建造 $ git clone https://github.com/shinsumicco/pose-graph-optimization.git $ cd pose-graph-optimization $ mkdir build $ cd build $ cmake .. $ make -j4 优化 $ cd pose-graph-optimization/build $ bin/se2_optimize --filename ../sample/manhattan.g2o Number of poses: 3500 Number of constraints
推荐一些视觉SLAM的深度学习方法（上）
喜欢打酱油的老鸟
08-09 1512
最近也看了一些VSLAM综述文章，这里收集一些论文推荐供参考。 1。Deep Direct Visual Odometry 这篇论文把DL模型的姿态估计做为传统方法DSO的初始化。如图 DL 模型架构图如下 基于非监督学习的训练框架如下（同时还有depth估计一起训练） 2。Deep Virtual Stereo Odometry: Leveraging Deep Depth Prediction for Monocular Direct Sparse Odometry 这也是在DS
VINS-Mono代码阅读笔记（十三）：posegraph中四自由度位姿优化
01-19 4289
本篇笔记紧接着VINS-Mono代码阅读笔记（十二）：将关键帧加入位姿图当中，来学习pose_graph当中的紧耦合优化部分。 在重定位完成之后，进行位姿图优化是为了将已经产生的所有位姿统一到一个全局一致的配置当中。如论文中展示的下图所示，参考帧处于世界坐标系下，当相机运动的时候会相对于参考帧发生变化。而由于重力向量始终不会发生变化，所以从重力方向得到的水平面也不会发生变化，进而该水平面对应的两...
VSLAM(8)：后端---Pose Graph优化和Factor Graph优化
zhangzhixin1998的博客
07-25 505
前一章主要介绍了BA图优化的后端方法，这种方法可以同时优化相机位姿和路标点位置。这里的路标点其实就是特征点，往往数量巨大，对存储和计算都会带来巨大的负担，并且会不断累加，导致在大场景下无法实时化。特征点的数量远大于位姿节点的数量，一个关键帧的特征点往往会有几百个关键帧。对于BA优化的方法，即使利用稀疏性，达到实时也只能有几万个点。那么为了解决实时性的问题，可以适当丢弃一些历史数据，想Sliding Window（滑动窗口法）；
pose graph优化总结
ziliwangmoe的博客
07-03 3114
描述： pose优化相比BA优势在于： 更快，也就是能处理更大规模的数据 可以做按层级来优化，也就是可以处理超大规模的数据，并且可以根据更新量的特点，只做某个层级的优化。 可以修正更大的便宜修正 全局优化的步骤为： 通过点云匹配，把各个submap通过sim3整体变换到近似的位置。为pose优化得到初值 通过frame到点云的匹配，得到frame之间的sim3变换。做pos...
【论文笔记】-- Visual Odometry: Part II - Matching, Robustness, and Applications
weixin_44832149的博客
05-06 1048
理清 feature matching 中的基础概念；用RANSAC算法增强VO的鲁棒性；还涉及到VO局部的局部优化、loop constraint。
淦ORB-SLAM2源码 06--手推Bundle Adjustment优化(BA优化）
qq_44047943的博客
03-25 890
手推Bundle AdjustmentBA简介手推BA运算过程(含最小二乘法）BA代码 本来是想写一下关于SLAM后端的三种优化方式 卡线曼滤波（KF），扩展卡尔曼滤波（EKF）和基于图优化的Bundle Adjustment（后面简称BA）的，但是前面两个我确实不太懂，所以先占个位置，等我后面研究搞懂了再来填坑。 BA简介 视觉里程计可以给出一个短时间内的轨迹和地图，但由于不可避免的误差累积，如果时间长了这个地图是不准确的。所以我们希望构建一个尺度、规模更大的优化问题，以考虑长时间内的最优轨迹和地图。实际
论文翻译 | ORB-SLAM3：一个用于视觉、视觉惯性和多地图SLAM系统
qq_29462849的博客
11-24 1046
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达1摘要本文介绍了ORB-SLAM3,这是第一个能够使用单眼、双目和RGB-D相机,使用针孔和鱼眼镜头模型执行视觉、视觉惯性和多地图S...
adt-bundle-windows-x86-20130219
09-04
adt-bundle-windows-x86-20130219是Android开发工具包（Android Development Tools Bundle）的一个早期版本。这个版本的ADT Bundle是专为运行在Windows x86的计算机上开发的。ADT是由谷歌提供的一套用于开发Android...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值